CN116152609A - 分布式模型训练方法、系统、装置以及计算机可读介质 - Google Patents
分布式模型训练方法、系统、装置以及计算机可读介质 Download PDFInfo
- Publication number
- CN116152609A CN116152609A CN202310348622.2A CN202310348622A CN116152609A CN 116152609 A CN116152609 A CN 116152609A CN 202310348622 A CN202310348622 A CN 202310348622A CN 116152609 A CN116152609 A CN 116152609A
- Authority
- CN
- China
- Prior art keywords
- model
- algorithm
- algorithm model
- cloud
- edge terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 160
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种分布式模型训练方法、系统、装置以及计算机可读介质,属于机器学习技术领域,包括:在云端建立模型仓库,设置细分算法应用场景,建立原始的算法模型;用户根据应用场景,选择边缘终端适配的应用场景;边缘终端向云端申请初始化算法模型;边缘终端采集数据并识别,用户将标定的结果反馈给边缘终端;边缘终端在边缘侧对标定的数据进行训练,生成增强模型;将增强模型上报到云端;云端将边缘终端上报的增强模型进行模型校验和合入,生成新算法模型;该分布式模型训练方法、系统、装置以及计算机可读介质,通过边缘AI终端进行AI算法模型的增强训练,集中到云端进行算法集成,生成更精度的算法模型。
Description
技术领域
本发明属于机器学习技术领域,具体涉及分布式模型训练方法、系统、装置以及计算机可读介质。
背景技术
当前AI模型训练过程都是采用大量数据进行集中训练的过程,数据采集与AI场景应用存在不一致性,导致训练出来的算法在AI场景应用中精度与实验室测试场景存在巨大的差异,具体说存在以下问题:
数据采集问题,当前AI算法训练技术因为是集中训练的模式,需采集大量数据、素材,配置对应的参数输入算法训练,得到算法模型,应用到场景进行识别,需要通过各种途径收集各类场景下的数据,然后进行集中模型的训练;
算法应用精度问题,当前AI算法应用都是通过大量数据采集进行集中训练,生成算法模型后,再应用到各终端进行识别,由于采集的数据参数差异,造成算法精度差的问题,因此需要研发一种新的分布式模型训练方法、系统、装置以及计算机可读介质来解决现有的问题。
发明内容
本发明的目的在于提供一种分布式模型训练方法、系统、装置以及计算机可读介质,以解决由于采集的数据参数差异造成算法精度差的问题。
为实现上述目的,本发明提供如下技术方案:一种分布式模型训练方法,包括:
在云端建立模型仓库,根据不同细分算法应用场景,建立初始化算法模型;
用户根据所述应用场景,选择边缘终端适配的应用场景;
边缘终端向云端申请初始化算法模型;
云端下发初始化算法模型到边缘终端;
边缘终端采集数据并进行识别,对识别结果生成识别标签;
将所述识别标签反馈给用户,由用户进行人工确认和重新标定;
用户将标定的数据反馈给边缘终端;
边缘终端在边缘侧对所述标定的数据进行训练,生成增强模型;
边缘终端将增强模型上报到云端;
云端将增强模型进行模型校验和合入,生成新算法模型。
优选的,所述建立原始的算法模型包括:
在云端根据应用场景建立图片底库,并对图片标注,根据不同应用场景需要,使用识别算法、监测算法对标注的图片进行训练,训练出初始化算法模型,所述初始化算法模型包括:人脸识别算法模型、宠物识别算法模型、火焰识别算法模型。
优选的,所述边缘终端向云端申请初始化算法模型包括:
所述边缘终端向云端申请算法模型,云端向边缘终端下发具体的算法模型,边缘终端初始化API接口运行所述算法模型,完成监测和识别。
优选的,所述边缘终端是具备GPU算力因子的边缘设备,包括:网关设备、算力盒子、带算力的IPC摄像机中的一种或者几种组合。
优选的,所述边缘终端采集数据并进行识别包括:调用云端下发的初始化算法模型,进行识别,所述算法模型设有API接口的程序库,通过传入的图片进行数据的分类处理,提取特征值,进行卷积计算,获得到池化信息,再进行非线性映射,根据算法模型设置的流程,进行多层处理,获得识别结果。
优选的,所述边缘终端在边缘侧对标定的数据进行训练的方法包括:
基于算力的框架,将初始化算法模型以及新标定的图片数据,通过算法对标定的图片数据集进行训练学习,得到增强算法模型。
优选的,所述模型校验方法包括:
将增强算法模型和和初始化算法模型导入搭建的算法训练框架,通过测试图片进行算法校验;
所述模型合入的方法包括:
通过校验后的增强算法模型与初始化算法模型进行特征值合并。
本发明另提供一种分布式模型训练系统,所述系统包括:
原始算法模型建立模块,用于在云端建立模型仓库,设置细分算法应用场景;
应用场景选择模块,用于用户根据应用场景,选择边缘终端适配的应用场景;
初始化模块,用于向云端申请初始化算法模型;
接收模块,用于从云端接收初始化算法模型;
识别标签生成模块,用于采集并识别数据,生成识别标签;
人工确认模块,用于将识别标签反馈给用户,由用户进行人工确认和重新标定;
训练模块,用于在边缘侧对标定的数据进行训练,生成增强模型;
校验和合入模块,用于将边缘终端上报的增强模型进行模型校验和合入,生成新算法模型。
本发明另提供一种分布式模型训练装置,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述计算机可读指令被所述处理器执行时实现上述的分布式模型训练方法。
本发明另提供一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,使得所述计算机执行上述的分布式模型训练方法。
本发明的技术效果和优点:该分布式模型训练方法、系统、装置以及计算机可读介质,通过分布式网络架构,利用广泛的边缘侧实际场景下的边缘终端设备进行实际场景下的数据采集,并通过下发的算法模型在边缘侧的边缘终端中完成算法的训练,解决了算法数据庞大和数据隐私保密合规的问题;通过下发的算法训练模型和通边缘侧数据采集终端在识别应用过程中进行精准校验和增强训练,训练模型所用的数据就是当前边缘终端设备采集的数据,从数据采集的参数和环境达到了更加贴切接近的目的,从而大幅提升了算法精度;同时利用广大的边缘终端完成数据采集和模型训练,大幅降低了AI算法训练的成本;并且边缘AI终端具有图片数据采集功能;通过AI算力的框架、初始生成的算法模型、新标定的图片数据以及AI算法对数据集进行训练学习,得到新的算法模型的过程,新的算法模型在原有算法模型基础上进行新数据训练后得到的,在对图片进行AI识别时,可以更加准确;AI模型训练最重要的是有效数据,目前做法为通过现场拍摄、网络搜索类似图片获取样本,进行集中规模训练,本发明通过广大边缘终端设备进行更加广泛现场的拍摄获取原始底图更加丰富,通过边缘侧算法因子完成算法模型的初步标识训练,大幅减少了云端的资源消耗,达到降低成本的目的;通过集中的小批量数据生成初步的算法模型,并在云端分不同的AI场景生成原始的算法模型,通过大批量边缘AI终端设备的激活,以及用户侧应用让用户参与到对应应用场景下的算法模型应用训练中;通过边缘终端设备的数据采集、数据标签生成、用户AI结果标定、边缘侧对算法模型的增强训练,不断优化算法模型;边缘终端进行标定训练,让AI算法在边缘终端更具实用价值,通过云端对众多边缘终端增强优化的算法模型进行整合,生成更具精度的算法模型;通过边缘终端进行算法模型的增强训练,集中到云端进行算法集成,生成更精度的算法模型。
附图说明
图1为本发明的结构示意图;
图2为本发明实施例方法的流程示意图;
图3为本发明实施例系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了如图1、图2中所示的一种分布式模型训练方法,包括以下步骤:
步骤1. 在云端建立模型仓库,根据不同的细分AI算法应用场景,建立初始化算法模型;
在云端根据应用场景建立图片底库,通过算法标注技术,进行图片标注,根据不同应用场景需要,用开源的AI识别算法、AI监测算法对标注的图片进行训练,训练出初始化算法模型,比如:人脸识别算法模型、宠物识别算法模型、火焰识别算法模型;利用广大的边缘AI终端完成数据采集和模型训练,大幅降低了AI算法训练的成本;本实施例中,边缘AI终端具有图片数据采集功能;通过集中的小批量数据生成初步的算法模型,并在云端分不同的AI场景生成初始化算法模型;
步骤2. 用户根据应用场景,选择边缘AI终端需要的AI应用场景;通过大批量边缘AI终端设备的激活,通过用户侧应用让用户参与到对应应用场景下的初始化算法模型应用训练中;
步骤3. AI边缘终端向云端申请初始化算法模型;AI边缘终端是具备GPU算力因子的边缘设备,包括:网关设备、算力盒子、带算力的IPC摄像机中的一种或者几种组合;带有AI算力的边缘设备向云端申请初始化算法模型,云端向终端下发具体的算法模型,终端初始化API接口运行算法,完成AI的监测和识别;
步骤4. 云端下发初始化算法模型到边缘AI终端;
步骤5. 边缘侧AI设备采集数据,进行AI识别,对识别结果生成识别标签;本实施例中,边缘侧AI设备即边缘AI终端,采集到数据,调用初始化算法模型,进行AI识别,AI识别过程就是算法运行过程,初始化算法模型是一个带有API接口的程序库,通过传入的图片进行数据的分类处理,提取特征值,进行卷积计算,获得到池化信息,再进行非线性映射,根据初始化算法模型设置的流程,进行多层处理,获得结果;
步骤6. 将识别标签反馈给用户,由用户进行人工确认和重新标定;利用边缘AI终端进行标定训练,让AI算法在边缘AI终端更具实用价值;通过边缘AI终端设备的数据采集、数据标签生成、用户AI结果标定、AI边缘侧对初始化算法模型的增强训练,不断优化初始化算法模型;
步骤7. 用户将标定的数据反馈给边缘AI终端;
步骤8. 边缘AI终端在边缘侧对标定的数据进行训练,生成增强模型;本实施例中,训练过程包括:通过AI算力的框架,通过初始化算法模型,新标定的图片数据,通过AI算法对数据集进行训练学习,得到增强算法模型的过程,增强算法模型是在原有算法模型基础上进行新数据训练后得到的,在对图片进行AI识别时,可以更加准确;
步骤9.边缘AI终端将增强算法模型上报到云端;
步骤10. 云端将边缘AI终端上报上来的增强算法模型进行模型校验和合入,生成更具精度的新算法模型;本实施例中,模型校验方法包括:将模型放入平台搭建的AI算法训练框架,通过测试图片进行算法校验;通过云端对众多边缘AI终端增强优化的算法模型进行整合,生成更具精度的算法模型,通过边缘AI终端进行AI算法模型的增强训练,集中到云端进行算法集成,生成精度更高的算法模型;
模型合入方法包括:通过校验后的增强算法模型与初始化算法模型进行特征值的合并,让算法模型可识别的特征值更加广泛,从而获得更具精度的AI算法模型;
AI模型训练最重要的是有效数据,相比目前通过现场拍摄、网络搜索类似图片获取样本,进行集中规模训练,本发明通过广大边缘AI终端设备进行更加广泛现场的拍摄获取原始底图更加丰富,通过边缘侧算法因子完成算法模型的初步标识训练,大幅减少了云端的资源消耗,达到降低成本的目的。
本发明另提供如图3所示的一种分布式模型训练系统,包括:
原始算法模型建立模块,用于在云端建立模型仓库,设置细分算法应用场景;
应用场景选择模块,用于用户根据应用场景,选择边缘终端适配的应用场景;
初始化模块,用于向云端申请初始化算法模型;
接收模块,用于从云端接收初始化算法模型;
识别标签生成模块,用于采集并识别数据,生成识别标签;
人工确认模块,用于将识别标签反馈给用户,由用户进行人工确认和重新标定;
训练模块,用于在边缘侧对标定的数据进行训练,生成增强模型;
校验和合入模块,用于将边缘终端上报的增强模型进行模型校验和合入,生成新算法模型。
本发明另提供一种分布式模型训练装置,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述计算机可读指令被所述处理器执行时实现上述的分布式模型训练方法。
本发明另提供一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,使得所述计算机执行上述的分布式模型训练方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式模型训练方法,其特征在于:所述方法包括:
在云端建立模型仓库,根据不同细分算法应用场景,建立初始化算法模型;
用户根据所述应用场景,选择边缘终端适配的应用场景;
边缘终端向云端申请初始化算法模型;
云端下发初始化算法模型到边缘终端;
边缘终端采集数据并进行识别,对识别结果生成识别标签;
将所述识别标签反馈给用户,由用户进行人工确认和重新标定;
用户将标定的数据反馈给边缘终端;
边缘终端在边缘侧对所述标定的数据进行训练,生成增强模型;
边缘终端将所述增强模型上报到云端;
云端将所述增强模型进行模型校验和合入,生成新算法模型。
2.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述建立原始的算法模型包括:
在云端根据应用场景建立图片底库,并对图片标注,根据不同应用场景需要,使用识别算法、监测算法对标注的图片进行训练,训练出初始化算法模型,所述初始化算法模型包括:人脸识别算法模型、宠物识别算法模型、火焰识别算法模型。
3.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述边缘终端向云端申请初始化算法模型包括:
所述边缘终端向云端申请算法模型,云端向边缘终端下发具体的算法模型,边缘终端初始化API接口运行算法,完成监测和识别。
4.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述边缘终端采集数据并进行识别包括:调用云端下发的初始化算法模型,进行识别,所述初始化算法模型设有API接口的程序库,通过传入的图片进行数据的分类处理,提取特征值,进行卷积计算,获得池化信息,进行非线性映射,根据算法模型设置的流程,进行多层处理,获得识别结果。
5.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述边缘终端在边缘侧对所述标定的数据进行训练的方法包括:
基于算力的框架,将初始化算法模型以及新标定的图片数据,通过算法对图片数据集进行训练学习,得到增强算法模型。
6.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述模型校验的方法包括:
将增强算法模型和初始算法模型导入搭建的算法训练框架,通过测试图片进行算法校验;
所述模型合入的方法包括:
通过校验后的增强算法模型与初始化算法模型进行特征值合并。
7.根据权利要求1所述的一种分布式模型训练方法,其特征在于:所述边缘终端是具备GPU算力因子的边缘设备,包括:网关设备、算力盒子、带算力的IPC摄像机中的一种或者几种组合。
8.一种分布式模型训练系统,所述系统包括:
原始算法模型建立模块,用于在云端建立模型仓库,设置细分算法应用场景;
应用场景选择模块,用于用户根据应用场景,选择边缘终端适配的应用场景;
初始化模块,用于向云端申请初始化算法模型;
接收模块,用于从云端接收初始化算法模型;
识别标签生成模块,用于采集并识别数据,生成识别标签;
人工确认模块,用于将识别标签反馈给用户,由用户进行人工确认和重新标定;
训练模块,用于在边缘侧对标定的数据进行训练,生成增强模型;
校验和合入模块,用于将边缘终端上报的增强模型进行模型校验和合入,生成新算法模型。
9.一种分布式模型训练装置,包括:
存储器,用于存储非暂时性计算机可读指令;以及
处理器,用于运行所述计算机可读指令,使得所述计算机可读指令被所述处理器执行时实现根据权利要求1到7中任意一项所述的分布式模型训练方法。
10.一种计算机可读存储介质,用于存储非暂时性计算机可读指令,当所述非暂时性计算机可读指令由计算机执行时,使得所述计算机执行权利要求1到7中任意一项所述的分布式模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310348622.2A CN116152609B (zh) | 2023-04-04 | 2023-04-04 | 分布式模型训练方法、系统、装置以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310348622.2A CN116152609B (zh) | 2023-04-04 | 2023-04-04 | 分布式模型训练方法、系统、装置以及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152609A true CN116152609A (zh) | 2023-05-23 |
CN116152609B CN116152609B (zh) | 2023-07-21 |
Family
ID=86339115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310348622.2A Active CN116152609B (zh) | 2023-04-04 | 2023-04-04 | 分布式模型训练方法、系统、装置以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152609B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250911A (zh) * | 2023-11-13 | 2023-12-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947209A (zh) * | 2021-09-28 | 2022-01-18 | 天翼物联科技有限公司 | 基于云边协同的集成学习方法、系统及存储介质 |
WO2023024844A1 (zh) * | 2021-08-23 | 2023-03-02 | 华为技术有限公司 | 模型训练方法、装置及系统 |
-
2023
- 2023-04-04 CN CN202310348622.2A patent/CN116152609B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024844A1 (zh) * | 2021-08-23 | 2023-03-02 | 华为技术有限公司 | 模型训练方法、装置及系统 |
CN113947209A (zh) * | 2021-09-28 | 2022-01-18 | 天翼物联科技有限公司 | 基于云边协同的集成学习方法、系统及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250911A (zh) * | 2023-11-13 | 2023-12-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
CN117250911B (zh) * | 2023-11-13 | 2024-03-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116152609B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378463B (zh) | 一种人工智能模型标准化训练平台及自动化系统 | |
CN109344908B (zh) | 用于生成模型的方法和装置 | |
US10565442B2 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN108805091B (zh) | 用于生成模型的方法和装置 | |
CN111741330B (zh) | 一种视频内容评估方法、装置、存储介质及计算机设备 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN116152609B (zh) | 分布式模型训练方法、系统、装置以及计算机可读介质 | |
CN110471857B (zh) | 人工智能模型性能容量的自动测试方法及装置 | |
CN112102424A (zh) | 车牌图像生成模型构建方法、生成方法及装置 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113536081A (zh) | 基于人工智能的数据中心数据管理方法及系统 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN113313215B (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
CN109800776A (zh) | 素材标注方法、装置、终端和计算机可读存储介质 | |
CN115659175A (zh) | 一种面向微服务资源的多模态数据分析方法、装置及介质 | |
CN111552811A (zh) | 知识图谱中信息补全的方法、装置、计算机设备和存储介质 | |
CN111652242B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108021353B (zh) | 软件产品的说明文档的生成装置、方法、设备及存储介质 | |
CN115147353A (zh) | 缺陷检测模型的训练方法、装置、设备、介质及程序产品 | |
CN111598121B (zh) | 一种机柜设备检测方法 | |
CN114170484A (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
CN111461253A (zh) | 一种自动化特征提取系统及方法 | |
CN116935102B (zh) | 一种轻量化模型训练方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Distributed model training methods, systems, devices, and computer-readable media Effective date of registration: 20231027 Granted publication date: 20230721 Pledgee: Bank of Nanjing Co.,Ltd. Jiangning sub branch Pledgor: Nanjing Hemeng Information Technology Co.,Ltd. Registration number: Y2023980062661 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |